
# Импортируем необходимые библиотеки
import pandas as pd
import seaborn as sns
import plotly.express as px
import plotly.graph_objects as go
from matplotlib import pyplot as plt
#import numpy as np

# Чтобы не беспокоили ворнинги
import warnings 
warnings.simplefilter("ignore")


df = pd.read_csv('/datasets/rest_data.csv') # сохранили датасет в переменную df
df.head(30) # убедились, что сохранение прошло успешно, также познакомились с первыми 30-ю строками


# Обратим внимание на тип данных в полях таблицы
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15366 entries, 0 to 15365
Data columns (total 6 columns):
 #   Column       Non-Null Count  Dtype 
---  ------       --------------  ----- 
 0   id           15366 non-null  int64 
 1   object_name  15366 non-null  object
 2   chain        15366 non-null  object
 3   object_type  15366 non-null  object
 4   address      15366 non-null  object
 5   number       15366 non-null  int64 
dtypes: int64(2), object(4)
memory usage: 720.4+ KB


# Познакомимся с пропусками в данных.
df.isna().sum()

# Проверим таблицу на наличие грубых дубликатов
df.duplicated().sum()

0


# Убедимся, что поле 'chain' действительно содержит два варианта значений
df['chain'].value_counts()

нет    12398
да      2968
Name: chain, dtype: int64


### КОД РЕВЬЮЕРА
df['chain'].replace({'да':True,'нет':False}).value_counts()

False    12398
True      2968
Name: chain, dtype: int64


# Для замены значений будем использовать конструкцию с атрибутом loc
df.loc[df['chain'] == 'да', 'chain'] = True
df.loc[df['chain'] == 'нет', 'chain'] = False

# Приведём тип столбца к типу boolean
df['chain'] = df['chain'].astype('boolean')
df.info() # Убедимся, что изменения вступили в силу

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15366 entries, 0 to 15365
Data columns (total 6 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   id           15366 non-null  int64  
 1   object_name  15366 non-null  object 
 2   chain        15366 non-null  boolean
 3   object_type  15366 non-null  object 
 4   address      15366 non-null  object 
 5   number       15366 non-null  int64  
dtypes: boolean(1), int64(2), object(3)
memory usage: 630.4+ KB


# Также познакомимся с данными в конце таблицы
df.tail(30)


df['object_name'].value_counts() # Сейчас у нас 10393 разных названия для заведений питания

Столовая                   267
Кафе                       236
Шаурма                     234
KFC                        155
Шоколадница                142
                          ... 
Ресторан Панч энд Джуди      1
СУШИ МАГИЯ                   1
Piu del Cibo                 1
Ляфантази                    1
Шашлыкян                     1
Name: object_name, Length: 10393, dtype: int64


### КОД РЕВЬЮЕРА
import string

display(df.object_name.str.capitalize().unique()[:10])
word_list = []
(df.object_name
 .str.lower() # понизили регистр
 .str.translate(str.maketrans('', '', string.punctuation + '№«»')) # убрали пунктуацию
 .drop_duplicates().str.split() # разбили на слова
 .apply(word_list.extend) # добавили все слова в список
)
print(pd.Series(word_list).value_counts().head(50).index.to_list()) # вывели самые частотные

array(['Сметана', 'Родник', 'Кафе «академия»', 'Пиццетория',
       'Кафе «вишневая метель»', 'Стол. при гоу сош № 1051', 'Брусника',
       'Буфет мтуси', 'Кпф семья-1', 'Столовая мтуси'], dtype=object)

['кафе', 'столовая', 'ресторан', 'при', 'школа', 'бар', 'гбоу', 'буфет', 'и', 'сош', 'пицца', 'кофе', 'шк', 'школе', 'на', 'bar', 'суши', 'школы', 'пекарня', 'гоу', 'в', '1', 'кальянная', 'кофейня', 'колледж', 'кухня', 'lounge', 'coffee', 'им', 'cafe', 'клуб', 'питания', 'паб', 'шаурма', 'кдп', 'пиццерия', 'гриль', 'комбинат', 'чайхана', 'дворик', 'дом', 'донер', 'кп', 'мгу', 'хаус', 'цо', 'быстрого', 'чайхона', 'обслуживания', 'выпечка']


# Создадим список из названий, которые менять не нужно
reserved_list = ['KFC', 'КОМБИНАТ ПИТАНИЯ МГТУ ИМ.Н.Э.БАУМАНА']


def change_uppercase_names(object_name):
    if object_name in reserved_list: # Если название в списке названий, которые мы не собираемся менять
        return object_name # вернём исходное значение
    if object_name.isupper(): # Если название содержит только заглавные символы
        string = '' # то создадим пустую строку, в которую соберём исправленное название
        name_list = object_name.split(' ') # Создадим список, который в качестве элементов будет содержать слова из названия
        if len(name_list) == 1: # Рассмотрим случай, когда название состоит из одного слова
            string += object_name[0].upper() # Строка начнётся с заглавного символа
            string += object_name[1:].lower() # А продолжится строчными
            return string # Функция вернёт строку
        for i in range(len(name_list)): # Рассмотрим случай, когда название состоит из нескольких слов
            string += name_list[i][0].upper()
            string += name_list[i][1:].lower()
            if i != len(name_list) - 1:
                string += ' '
        return string
    return object_name # Иначе функция вернёт исходное значение


df['object_name'] = df['object_name'].apply(change_uppercase_names)
df['object_name'].value_counts()

Столовая                  319
Кафе                      277
Шаурма                    250
Шоколадница               158
KFC                       155
                         ... 
Пивной Бар «РЯБИНКА»        1
Бизес-центр Карачарово      1
Джанус                      1
Bp                          1
Шашлыкян                    1
Name: object_name, Length: 10186, dtype: int64


# Посмотрим на первые 50 наиболее часто встречающихся названий сетевых заведений общественного питания
df.query('chain == True')['object_name'].value_counts().head(50)

Шоколадница                            157
KFC                                    155
Макдоналдс                             151
Бургер Кинг                            133
Теремок                                 94
Домино'с Пицца                          87
Крошка Картошка                         83
Милти                                   72
Суши Wok                                65
Папа Джонс                              51
Кофе с собой                            44
Чайхона №1                              43
Якитория                                38
Хинкальная                              38
Кофе Хаус                               35
Subway                                  34
Додо Пицца                              34
Тануки                                  32
Starbucks                               30
Иль Патио                               25
Cofix                                   25
Хлеб насущный                           24
Мята Lounge                             23
Прайм стар                              22
Старбакс                                21
Сабвей                                  19
Пицца Хат                               17
Пицца Паоло                             15
Алло Пицца                              15
Му-Му                                   15
Кофемания                               15
Кулинарная лавка братьев Караваевых     15
СушиШоп                                 15
Кружка                                  14
Кафе «Шоколадница»                      14
Штолле                                  13
Андерсон                                13
Волконский                              12
Баскин Роббинс                          12
Суши Вок                                11
Кафе «KFC»                              11
СтардогS                                11
Джон Джоли                              10
Додо пицца                              10
Вареничная №1                           10
Прайм                                   10
Суши Сет                                10
Грабли                                  10
Ваби-Саби                               10
Братья Караваевы                         9
Name: object_name, dtype: int64


# Будем заменять значения, обращаясь к ним через атрибут loc
df.loc[df['object_name'] == 'Старбакс', 'object_name'] = 'Starbucks'
df.loc[df['object_name'] == 'Сабвей', 'object_name'] = 'Subway'
df.loc[df['object_name'] == 'Суши Вок', 'object_name'] = 'Суши Wok'


df.query('chain == True')['object_name'].value_counts().head(50)

Шоколадница                            157
KFC                                    155
Макдоналдс                             151
Бургер Кинг                            133
Теремок                                 94
Домино'с Пицца                          87
Крошка Картошка                         83
Суши Wok                                76
Милти                                   72
Subway                                  53
Starbucks                               51
Папа Джонс                              51
Кофе с собой                            44
Чайхона №1                              43
Хинкальная                              38
Якитория                                38
Кофе Хаус                               35
Додо Пицца                              34
Тануки                                  32
Cofix                                   25
Иль Патио                               25
Хлеб насущный                           24
Мята Lounge                             23
Прайм стар                              22
Пицца Хат                               17
Кулинарная лавка братьев Караваевых     15
Пицца Паоло                             15
Му-Му                                   15
Кофемания                               15
СушиШоп                                 15
Алло Пицца                              15
Кружка                                  14
Кафе «Шоколадница»                      14
Штолле                                  13
Андерсон                                13
Волконский                              12
Баскин Роббинс                          12
Кафе «KFC»                              11
СтардогS                                11
Додо пицца                              10
Джон Джоли                              10
Вареничная №1                           10
Прайм                                   10
Грабли                                  10
Ваби-Саби                               10
Суши Сет                                10
Воккер                                   9
Корчма Тарас Бульба                      9
Му-му                                    9
То Да Сё                                 9
Name: object_name, dtype: int64


# Сохраним список из 31 элемента в переменной unique_names
unique_names = list(df.query('chain == True')['object_name'].value_counts().head(31).index)

# Напишем функцию, которая обработает дубликаты в названиях, связанные с разным регистром и добавлением дополнительных слов

def change_register_names(object_name):
    for i in unique_names: # Запускаем цикл по списку популярных уникальных названий
        if i.lower() in object_name.lower(): # Если очередной элемент из списка содержится в варианте названия заведения
            return i # Заменяем такой вариант названия на название из списка
    if 'старбакс' in object_name.lower(): # Также не забудем сделать замены в случаях, если в названии содержатся строки
                                          # с популярными дубликатами, с теми, с которыми мы уже работали
        return 'Starbucks'
    if 'сабвей' in object_name.lower():
        return 'Subway'
    if 'суши вок' in object_name.lower():
        return 'Суши Wok'
    
    return object_name


# Применим функцию
df['object_name'] = df['object_name'].apply(change_register_names)


# Убедимся, что функция сработала
df.query('chain == True')['object_name'].value_counts().head(50)

KFC                                    188
Шоколадница                            185
Макдоналдс                             173
Бургер Кинг                            159
Теремок                                111
Домино'с Пицца                          99
Крошка Картошка                         96
Суши Wok                                90
Милти                                   81
Starbucks                               71
Папа Джонс                              67
Subway                                  58
Додо Пицца                              54
Хинкальная                              54
Чайхона №1                              52
Якитория                                50
Кофе с собой                            49
Тануки                                  47
Иль Патио                               42
Кофе Хаус                               41
Прайм стар                              41
Хлеб насущный                           33
Мята Lounge                             33
Му-Му                                   32
Кулинарная лавка братьев Караваевых     25
Cofix                                   25
Пицца Хат                               24
СушиШоп                                 17
Пицца Паоло                             17
Кофемания                               17
Алло Пицца                              16
Кружка                                  14
Штолле                                  13
Андерсон                                13
Волконский                              12
Баскин Роббинс                          12
СтардогS                                11
Суши Сет                                10
Вареничная №1                           10
Прайм                                   10
Джон Джоли                              10
Грабли                                  10
Ваби-Саби                               10
То Да Сё                                 9
Корчма Тарас Бульба                      9
Братья Караваевы                         9
Французская выпечка                      9
Воккер                                   9
Брусника                                 8
Джаганнат                                7
Name: object_name, dtype: int64


# Оценим, сколько теперь разных вариантов названий для заведений содержится в столбце 'object_name'
df['object_name'].value_counts()

Столовая             319
Кафе                 277
Шаурма               250
KFC                  190
Шоколадница          189
                    ... 
Bp                     1
CityLunch              1
Шервуд                 1
Кафе-бар «Хижина»      1
Шашлыкян               1
Name: object_name, Length: 9914, dtype: int64


# Сохраним в таблицу chain_names названия сетевых заведений общественного питания
chain_names = df.query('chain == True')['object_name'].value_counts()
# Сделаем индексы отдельным столбцом
chain_names = chain_names.reset_index()
# Присвоим столбцам новые имена
chain_names.columns = ['name', 'quantity']
# Перезапишем значение таблицы chain_names, оставив в ней только те названия, которые встречаются один раз
chain_names = chain_names.query('quantity == 1')
# Выведем на экран первые 50 строк получившейся таблицы
chain_names.iloc[0:].head(50)


# Посчитаем количество записей в таблице chain_names
len(chain_names)

261


# Сохраним в переменной wrong_names_list список значений столбца 'name' таблицы chain_names
wrong_names_list = list(chain_names['name'])

def change_chain_names(object_name):
    for i in wrong_names_list: # Запустим цикл по списку wrong_names_list
        if object_name == i: # Если очередное значение из object_name равно очередному элементу списка wrong_names_list
            if object_name.find("«") > -1: # И если в очередном значении из object_name содержится символ "«"
                new_value = object_name.split("«")[1].rstrip("»") # Разделим по "«", обратимся ко второму элементу и избавимся от "»" в конце
                if new_value.upper() == new_value or new_value.lower() == new_value: # Если new_value написанно только в верхнем или только в нижнем регистре
                    string = '' # Создадим пустую строку, в которую соберём новое название
                    name_list = new_value.split(' ') # Создадим список, который в качестве элементов будет содержать слова из названия
                    if len(name_list) == 1: # Рассмотрим случай, когда название состоит из одного слова
                        string += new_value[0].upper() # Строка начнётся с заглавного символа
                        string += new_value[1:].lower() # А продолжится строчными
                        return string # Функция вернёт строку
                    for i in range(len(name_list)): # Рассмотрим случай, когда название состоит из нескольких слов
                        string += name_list[i][0].upper() 
                        string += name_list[i][1:].lower()
                        if i != len(name_list) - 1: # Если это не последнее слово в названии
                            string += ' ' # Тогда добавляем пробел после не последнего слова
                    return string                   
                return new_value
    return object_name # Иначе функция вернёт исходное значение


df['object_name'] = df['object_name'].apply(change_chain_names)


# Сохраним в таблицу chain_names2 названия сетевых заведений общественного питания
chain_names2 = df.query('chain == True')['object_name'].value_counts()
# Сделаем индексы отдельным столбцом
chain_names2 = chain_names2.reset_index()
# Присвоим столбцам новые имена
chain_names2.columns = ['name', 'quantity']
# Перезапишем значение таблицы chain_names2, оставив в ней только те названия, которые встречаются один раз
chain_names2 = chain_names2.query('quantity == 1')
# Выведем на экран первые 50 строк получившейся таблицы
chain_names2.iloc[100:].head(50)


# Снова посчитаем количество записей в таблице chain_names2
len(chain_names2)

199


# Сохраним в переменной wrong_names_list2 список значений столбца 'name' таблицы chain_names2
wrong_names_list2 = list(chain_names2['name'])

# Сохраним в переменной start_words список популярных уточняющих слов, стоящих перед названиями заведений общепита
start_words = ['Ресторан', 'Пиццерия', 'Траттория', 'Кальянная', 'Семейное кафе', 'Бистро', 'Кафе', 'Бар', 'БАР', 'Пицца',
              'Пироговая', 'КАФЕ', 'Пироги', 'Паб', 'Кондитерия', 'АВ-Дейли']

# Сохраним в переменной signal_names список слов, наличие которых будем считать сигналом к замене названия на это слово
signal_words = ['Магбургер', 'СтардогS', 'Баскин Роббинс', 'Газпромнефть', 'Шантимель', 'Tutti Frutti', 'Шантимель', 'Нияма',
               'IL Forno', 'White Rabbit', 'Лукойл', 'Торро Гриль', 'ИКЕА', 'Вьеткафе', 'Fridays', 'Джон Джоли', 'Штолле',
               'Волконский', 'Гудман', 'Пронто', 'Пипони', 'Коста Кофе', 'Чешская Пивная Пилзнер', 'Зю', 'Да Пино',
               'World Class', 'В&В Бургер', 'Урюк', 'Ваби-Саби']


def change_chain_names_2(object_name):
    for i in wrong_names_list2: # Запустим цикл по списку wrong_names_list2
        if object_name == i: # Если очередное значение из object_name равно очередному элементу списка wrong_names_list2
            for j in signal_words: # Тогда запускаем цикл for по списку signal_words
                if j.lower() in i.lower(): # Если очередной элемент из signal_words содержится в очередном элементе из wrong_names_list2 независимо от регистра
                    return j # Функция вернёт очередной элемент из signal_words
    return object_name # Иначе фукнция вернёт исходное значение 

df['object_name'] = df['object_name'].apply(change_chain_names_2)


chain_names3 = df.query('chain == True')['object_name'].value_counts()
chain_names3 = chain_names3.reset_index()
chain_names3.columns = ['name', 'quantity']
chain_names3 = chain_names3.query('quantity == 1')

# Посчитаем количество записей в таблице chain_names3
len(chain_names3)

146


# Сократили число дубликатов ещё на 45, ознакомимся с данными
chain_names3.iloc[0:].head(50)


# Сохраним в переменной wrong_names_list3 список значений столбца 'name' таблицы chain_names2
wrong_names_list3 = list(chain_names3['name'])

def change_chain_names_3(object_name):
    for i in wrong_names_list3: # Запустим цикл по списку wrong_names_list3
        if object_name == i: # Если очередное значение из object_name равно очередному элементу списка wrong_names_list3
            for j in start_words: # Тогда запускаем цикл for по списку start_words
                if i.find(j) > -1: # Если очередной элемент из списка start_words содержится в очередном значении из wrong_names_list3
                    new_value = object_name.split(j)[0] # Тогда удалим это значение
                    
                    return new_value
                            
    return object_name

df['object_name'] = df['object_name'].apply(change_chain_names_3)


chain_names4 = df.query('chain == True')['object_name'].value_counts()
chain_names4 = chain_names4.reset_index()
chain_names4.columns = ['name', 'quantity']
chain_names4 = chain_names4.query('quantity == 1')

# Посчитаем количество записей в таблице chain_names4
len(chain_names4)

121


chain_names4.iloc[0:].head(10)


# Сохранили 121 название в список
wrong_names = list(chain_names4['name'])

# Напишем функцию, которая подготовит строки с такими названиями к удалению
def prepare_names_for_delete(object_name):
    for i in wrong_names:
        if object_name == i:
            return 'delete'
    return object_name

# Применим функцию
df['object_name'] = df['object_name'].apply(prepare_names_for_delete)

# Оставим в таблице только те строки, которые не содержат в столбце 'object_name' строк 'delete'
df = df[df['object_name'] != 'delete']

# Убедимся, что удаление строк со значением 'delete' прошло успешно: этого значения не должно быть среди топ-10 по популярности
df['object_name'].value_counts().head(10)

Столовая           319
Кафе               277
Шаурма             250
KFC                190
Шоколадница        189
Макдоналдс         173
Бургер Кинг        161
Теремок            116
Домино'с Пицца      99
Крошка Картошка     96
Name: object_name, dtype: int64


# Оценим количество уникальных значений столбца 'object_name' после работы с дубликатами
df['object_name'].value_counts()

Столовая                       319
Кафе                           277
Шаурма                         250
KFC                            190
Шоколадница                    189
                              ... 
Столовая При Гоу Сош № 1902      1
Пробка Гриль                     1
BIG суши                         1
Веранда 6.1 КРАБЫКУТАБЫ          1
Шашлыкян                         1
Name: object_name, Length: 9669, dtype: int64


df.head()


# Для представления соотношения видов объектов общественного питания по количеству построим сводную таблицу

kind_df = df.pivot_table(index='object_type', values='id', aggfunc='count')
kind_df.columns = ['quantity']
kind_df['kind'] = kind_df.index
kind_df.sort_values(by='quantity', ascending=False, inplace=True)
kind_df.reset_index(drop=True, inplace=True)

fig = px.bar(
    kind_df, x='kind', y='quantity', title='Соотношение видов объектов общественного питания по количеству',
    labels = {'quantity': 'количество', 'kind':'тип заведения'},
    color_discrete_sequence=['NavajoWhite']
)
fig.show()


# Как и в прошлом случае, можем воспользоваться сводной таблицей
chain_df = df.pivot_table(index='chain', values='id', aggfunc='count')
chain_df.columns = ['quantity']
chain_df['is_chain'] = chain_df.index
chain_df.reset_index(drop=True, inplace=True)

fig = px.bar(
    chain_df, x='is_chain', y='quantity', title='Соотношение сетевых и несетевых заведений по количеству',
    labels={'quantity': 'количество'},
    color_discrete_sequence=['Plum']
)
fig.show()


# Снова обратимся к сводной таблице. Тип данных boolean в столбце chain позволяет нам очень удобно посчитать долю сетевых 
# объектов общепита для каждого из типов объектов

character_chain_dist = df.pivot_table(index='object_type', values='chain', aggfunc='mean')
character_chain_dist.columns = ['part']

# Округлим значения столбца 'part' до трёх знаков после точки и приведём их к процентному виду для удобства восприятия
character_chain_dist['part'] = character_chain_dist['part'].astype('float').round(3) * 100 
character_chain_dist['object_type'] = character_chain_dist.index
character_chain_dist.reset_index(drop=True, inplace=True)
character_chain_dist.sort_values(by='part', ascending=False, inplace=True)
character_chain_dist

fig = px.bar(
    character_chain_dist, x='object_type', y='part', 
    title = 'Доля сетевого распространения для типов объектов общественного питания',
    labels = {'part': '%', 'object_type': 'тип объекта'},
    color_discrete_sequence=['Aquamarine']
)

fig.show()


# Изучим данные столбца 'number' с помощью метода describe()
df['number'].describe()

count    15217.000000
mean        59.600775
std         74.854843
min          0.000000
25%         12.000000
50%         40.000000
75%         80.000000
max       1700.000000
Name: number, dtype: float64


# Сохраним значения медианы в переменной q2: это значение примем за границу,
# по которой разделим заведения по числу посадочных мест на категории вместимости: 'мало мест' и 'много мест' 

q2 = int(df['number'].describe()[5])

# Напишем функцию для создания категорий
def make_capacity_type(number):
    if number <= q2:
        return 'мало мест'
    return 'много мест'

df['capacity_type'] = df['number'].apply(make_capacity_type)

# Убедимся, что применение функции дало результат
df.head()


### КОД РЕВЬЮЕРА
import numpy as np

print(df['number'].quantile(0.5))
(np.where(df['number'] > df['number'].median(),'много мест','мало мест') != df.capacity_type.values).sum()

40.0

0


# Создадим отдельную таблицу для сетевых заведений общественного питания
chain_df = df.query('chain == True')

# Изучим данные 
chain_df['object_name'].value_counts().describe()

count    217.000000
mean      13.119816
std       28.780852
min        2.000000
25%        2.000000
50%        3.000000
75%        8.000000
max      188.000000
Name: object_name, dtype: float64


# Сохраним в переменной q2 значение медианы, по которой разделим сети на группы
q2 = int(chain_df['object_name'].value_counts().describe()[5])


chains_and_quantity = chain_df.pivot_table(index='object_name', values='id', aggfunc='count')
chains_and_quantity.columns = ['quantity']
chains_and_quantity['chain'] = chains_and_quantity.index
chains_and_quantity.reset_index(drop=True, inplace=True)
chains_and_quantity.sort_values(by='quantity', ascending=False, inplace=True)
chains_and_quantity = chains_and_quantity[['chain', 'quantity']]

# Сохраним в список названия крупных сетей. За крупную сеть будем считать сеть с количеством заведений большим, чем медиана

big_chain_list = list(chains_and_quantity.query('quantity > @q2')['chain'])
len(big_chain_list) # Количество таких сетей равно числу 101

101


# Теперь добавим в таблицу chain_df столбец с категорией сети "крупная сеть" или "малая сеть"

def make_chain_type(object_name):
    if object_name in big_chain_list:
        return 'крупная сеть'
    return 'малая сеть'

chain_df['chain_type'] = chain_df['object_name'].apply(make_chain_type)

# Убедимся, что столбец с типом сети был успешно добавлен
chain_df.head()


character_chain_capa = chain_df.pivot_table(index='capacity_type', values='id', aggfunc='count')
character_chain_capa.columns = ['quantity']
character_chain_capa['capa_type'] = character_chain_capa.index
character_chain_capa.reset_index(drop=True, inplace=True)
character_chain_capa = character_chain_capa[['capa_type', 'quantity']]

fig = px.bar(
    character_chain_capa, x='capa_type', y='quantity', title='Количество сетевых заведений по типу вместимости',
    labels = {'quantity': 'количество заведений', 'capa_type': 'тип вместимости'},
    color_discrete_sequence=['PaleGreen']
)
fig.show()


# Также рассмотрим, как ведёт себя тип вместимости в заведениях, принадлежащих крупным сетям и малым сетям

character_type_chain_capa = chain_df.pivot_table(index='capacity_type', values='id', columns='chain_type', aggfunc='count')
character_type_chain_capa.columns = ['big_chain', 'small_chain']
character_type_chain_capa['capa_type'] = character_type_chain_capa.index
character_type_chain_capa.reset_index(drop=True, inplace=True)
character_type_chain_capa = character_type_chain_capa[['capa_type', 'small_chain', 'big_chain']]


fig = px.pie(character_type_chain_capa, values='small_chain', names='capa_type', 
             title='Доля заведений, принадлежащих к малым сетям по количеству мест:',
             color_discrete_sequence=['LightSkyBlue', 'PaleTurquoise'],
             labels={'capa_type': 'тип вместимости', 'small_chain': 'количество заведений'}
            )
fig.show()


fig = px.pie(character_type_chain_capa, values='big_chain', names='capa_type',
            title='Доля заведений, принадлежащих к крупным сетям по количеству мест:',
            color_discrete_sequence=['PaleTurquoise','LightSkyBlue'],
            labels={'capa_type': 'тип вместимости', 'big_chain': 'количество заведений'}
            )
fig.show()


# Построим сводную таблицу на основе таблицы chain_df
average_seats_by_object_type = chain_df.groupby(['chain_type', 'capacity_type']).agg({'number':'mean'})
average_seats_by_object_type.columns = ['avg_seats']
average_seats_by_object_type['avg_seats'] = round(average_seats_by_object_type['avg_seats']).astype('int')
average_seats_by_object_type['chain_and_seat_type'] = [
    'крупная сеть, мало мест', 'крупная сеть, много мест', 'малая сеть, мало мест', 'малая сеть, много мест']

average_seats_by_object_type.reset_index(drop=True, inplace=True)
average_seats_by_object_type = average_seats_by_object_type[['chain_and_seat_type', 'avg_seats']]
    

average_seats_by_object_type


plt.figure(figsize=(16, 6))
a = plt.bar(average_seats_by_object_type['chain_and_seat_type'], average_seats_by_object_type['avg_seats'], color='thistle')
for rect, label in zip(a.patches, average_seats_by_object_type['avg_seats']):
    plt.text(
        rect.get_x() + rect.get_width() / 2,
        rect.get_height(),
        label,
        ha='center',
        va='bottom'
    )
plt.title('Среднее количество посадочных мест по категориям заведений общественного питания')
plt.show()


# Вспомним, как выглядит таблица и обратим внимание на то, что информация об улице обычно отделена с двух сторон запятыми.
df.head(5)


# Напишем функцию для создания нового столбца с названием улицы
def extract_street_name(address):
    if ',' in address:
        if address.split(',')[1].strip() == 'город Зеленоград' or address.split(',')[1].strip() == 'поселение Сосенское':
            return address.split(',')[1].strip() + ', ' + address.split(',')[2].strip()
        return address.split(',')[1].strip()
    return 'улица не определена'

df['street_name'] = df['address'].apply(extract_street_name)

# Убедимся, что функция сработала верно
df.head()


### КОД РЕВЬЮЕРА
print(df.street_name[df.street_name.apply(len).lt(9)].to_list())

['дом 30', 'дом 30', 'дом 5/14', 'дом 10', 'дом 26/1', 'дом 3', 'дом 4', 'дом 1', 'дом 118Б', 'дом 8А/5', 'дом 1/4', 'дом 88', 'дом 2', 'дом 23', 'дом 26', 'дом 26', 'дом 26', 'дом 11А', 'дом 8', 'дом 6', 'дом 11', 'дом 14', 'дом 48', 'дом 20', 'дом 28', 'дом 18', 'дом 26', 'дом 90', 'дом 11А', 'дом 46', 'дом 2', 'дом 16', 'дом 48', 'дом 37', 'дом 5', 'дом 39', 'дом 2/34', 'дом 1/4', 'дом 9', 'дом 7', 'дом 52А', 'дом 18', 'дом 18', 'дом 18', 'дом 7', 'дом 7', 'дом 7', 'дом 1/4', 'дом 88', 'дом 5']


# Напишем функцию, которая подготовит эти значения к удалению
def prepare_street_names_for_delete(street_name):
    if len(street_name) < 9:
        return 'delete_this_value'
    return street_name

df['street_name'] = df['street_name'].apply(prepare_street_names_for_delete)

# Проверим, что их точно 50
len(df.query('street_name == "delete_this_value"'))

50


# Удалим значения
df = df.query('street_name != "delete_this_value"')


# Построим сводную таблицу
popular_streets = df.pivot_table(index='street_name', values='id', aggfunc='count')
popular_streets.columns = ['points']
popular_streets['street_name'] = popular_streets.index
popular_streets.reset_index(drop=True, inplace=True)
# Поменяем последовательность столбцов
popular_streets = popular_streets[['street_name', 'points']]
# Отсортируем данные по убыванию столбца 'points'
popular_streets.sort_values(by='points', ascending=False, inplace=True)
# Запишем значение таблицы, с топ-10 в переменную most_popular_streets
most_popular_streets = popular_streets.head(10)
display(most_popular_streets)


fig = px.bar(
    most_popular_streets, x='street_name', y='points',
    labels={'points': 'количество заведений', 'street_name': 'улица'},
    title = 'Топ-10 улиц по количеству объектов общественного питания',
    color_discrete_sequence=['LightSalmon']
)
fig.show()


# Сохраним в переменной url ссылку на csv-файл с внешними данными об округах и районах
url = 'https://frs.noosphere.ru/xmlui/bitstream/handle/20.500.11925/714058/mosgaz-streets.csv'
# Считаем таблицу в переменную districts_df
districts_df = pd.read_csv(url)
# Убедимся, что таблица сохранилась в переменной, прочитаем первые 5 строк этой таблицы 

districts_df.head()


# Оценим количество записей в таблице districts_df
len(districts_df)

4398


# Оценим, содержит ли столбец 'streetname' дубликаты и подумаем, с чем эти дубликаты могут быть связаны.
districts_df['streetname'].duplicated().sum()

794


districts_df[districts_df['streetname'].duplicated()].sort_values('streetname')


# Сохраним в таблице regions_df только название улицы и округа
regions_df = districts_df[['streetname', 'okrug']]
regions_df.columns = ['street_name', 'region']
most_popular_streets = most_popular_streets.merge(regions_df, on='street_name', how='inner')
most_popular_streets.drop_duplicates(inplace=True)
most_popular_streets


# Создадим сводную таблицу по районам для наглядного графика.

most_popular_districts = most_popular_streets.pivot_table(index='region', values='street_name', aggfunc='count')
most_popular_districts.columns = ['points']
most_popular_districts['district_name'] = most_popular_districts.index
most_popular_districts.reset_index(drop=True, inplace=True)
most_popular_districts = most_popular_districts[['district_name', 'points']]
most_popular_districts.sort_values(by='points', ascending=False, inplace=True)

fig = px.bar(
    most_popular_districts, x='district_name', y='points',
    labels={'points': 'количество улиц', 'district_name': 'округ'},
    title = 'Рейтинг округов г. Москвы по количеству улиц в ТОП-10 по числу заведений общественного питания',
    color_discrete_sequence=['MediumSlateBlue']
)
fig.show()


# Сохраним в таблице least_popular_streets названия улиц, на которых расположено всего одно заведение общественного питания
least_popular_streets = popular_streets.query('points == 1')

# Изучим количество записей
len(least_popular_streets)

650


least_popular_streets = least_popular_streets.head(30)
# Ознакомимся с данными
least_popular_streets


least_popular_streets = least_popular_streets.merge(regions_df, on='street_name', how='inner')

least_popular_streets.drop_duplicates(inplace=True)
# Убедимся, что столбец был успешно добавлен
least_popular_streets


# Определим на основе нашей выборки, какой из районов имеет больше всего улиц, на которых расположено всего одно кафе

least_popular_districts = least_popular_streets.pivot_table(index='region', values='street_name', aggfunc='count')
least_popular_districts.columns = ['points']
least_popular_districts['district_name'] = least_popular_districts.index
least_popular_districts.reset_index(drop=True, inplace=True)
least_popular_districts = least_popular_districts[['district_name', 'points']]
least_popular_districts.sort_values(by='points', ascending=False, inplace=True)

fig = px.bar(
    least_popular_districts, x='district_name', y='points',
    labels={'points': 'количество улиц', 'district_name': 'округ'},
    title = 'Рейтинг округов г. Москвы по количеству улиц c единственным заведением общественного питания',
    color_discrete_sequence=['MediumSlateBlue']
)

fig.show()


# Сохраним в списке popular_streets значения с названиями улиц из таблицы с ТОП-10 улиц по популярности
popular_streets = list(most_popular_streets['street_name'])
# Сохраним в таблице popular_df только те строки из таблицы df, у которых названия улиц соответствуют ТОП-10
popular_df = df.query('street_name in @popular_streets')
# Убедимся, что таблица сохранена успешно
popular_df.head()


# Изучим данные и выбросы в них
popular_df['number'].describe()

count    1485.000000
mean       58.337374
std        90.421341
min         0.000000
25%        12.000000
50%        40.000000
75%        76.000000
max      1700.000000
Name: number, dtype: float64


# Избавимся от выбросов, оставив в столбце number значения от 1 и до 150 мест (это чуть больше, чем + 1,5 межквартильных
# размаха к медиане)

popular_df = popular_df.query('0 < number < 150')

plt.figure(figsize=(30,10))
sns.distplot(popular_df['number'], bins=30)
plt.xlabel('количество мест')
plt.ylabel('частота')
plt.title('График распределения количества мест в заведениях общественного питания на 10 самых популярных улицах')
plt.show()


avg_seats = popular_df.pivot_table(index='street_name', values='number', aggfunc='median')
avg_seats.columns = ['seats']
avg_seats['street_name'] = avg_seats.index
avg_seats.reset_index(drop=True, inplace=True)
avg_seats = avg_seats[['street_name', 'seats']]
avg_seats['seats'] = avg_seats['seats'].astype('int')
avg_seats.sort_values(by='seats', ascending=False, inplace=True)

fig = px.bar(
    avg_seats, x='street_name', y='seats',
    labels={'seats': 'количество мест', 'street_name': 'улица'},
    title = 'Медианные значения количества мест в заведениях общественного питания на улицах из ТОП-10',
    color_discrete_sequence=['LightSkyBlue']
)

fig.show()

	name	quantity
196	Восточный базар	1
197	Tokyo bay	1
198	Тайм Авеню	1
199	Шантимель (кондитерские)	1
200	Закусочная «Баскин Роббинс & Стардогс»	1
201	Кафе ПРОНТО	1
202	Кафе «То Да Сё»	1
203	Фитнес-бар «world Class»	1
204	Японский ресторан «Ваби-Саби»	1
205	Кулинарное Бюро	1
206	Пицца Pomodoro и Суши Дзен	1
207	Кафе при АЗС	1
208	Шварцвальд	1
209	Лукойл	1
210	АВ-Дейли Азбука Вкуса	1
211	КАФЕ Кофе-Хаус	1
212	Ресторан Джон Джоли	1
213	Кафе Штолле	1
214	Корчма «тарас Бульба»	1
215	Грузинские каникулы Барбарис	1
216	Пиццерия Донателло	1
217	Ян Примус	1
218	Кафе «Урюк» Хивинская чайхона	1
219	IL Forno Иль Форно	1
220	Домашнее Кафе сеть городских кафе	1
221	Перекресток	1
222	Кафе «Кулинарное бюро»	1
223	Урожай	1
224	Пироги Штолле	1
225	КАФЕ «Андерсон»	1
226	Maki Maki	1
227	Шоколад	1
228	Кафе при АЗС Газпромнефть	1
229	Ресторан «Ян Примус»	1
230	Виват-Пицца	1
231	Чешская пивная ПИЛЗНЕР	1
232	Panda Express	1
233	СтардогS и шаурма	1
234	Тратория Semplice	1
235	Torro Grill Торро Гриль	1
236	Ресторан «Вьеткафе»	1
237	Бир Хаус Паб	1
238	БРАВА Коста кофе	1
239	ресторан «Брудер»	1
240	КОФЕЙНЯ «Costa Coffee»	1
241	Бар-буфет Николай	1
242	BooBo	1
243	Black & White	1
244	В&В Бургер	1
245	Гино-но-таки	1

	name	quantity
305	Нияма Пицца Пи	1
306	Стейк-хаус Гудман	1
307	Лукойл-Центрнефтьпродукт	1
308	Ариана	1
309	Городские автокофейни	1
310	Васаби	1
311	Марукамэ	1
312	Bierloga	1
313	Кафе ПРОНТО	1
314	Метро К&К	1
315	Виктория	1
316	Советские времена	1
317	Ванвок	1
318	Гурмания	1
319	ББ энд БУРГЕРС В&В Бургер	1
320	Оникс	1
321	Tajj Mahal	1
322	Мясоroob	1
323	Территория Ясенево	1
324	Grand Cru	1
325	VietCafe Вьеткафе	1
326	Кафе Космик	1
327	Deli by Prime Прайм-кафе	1
328	В&В Бургер	1
329	TGI Fridays	1
330	Van Wok Ванвок	1
331	Бакинский Бульвар	1
332	Советские времена Чебуречная СССР	1
333	Сити	1
334	Тамаси Суши	1
335	Траттория Примавера	1
336	Бир хаус	1
337	Пироговая Штолле	1
338	Мюнгер	1
339	Да Пино (Da Pino)	1
340	HEALTHY Food	1
341	Семейное кафе Андерсон	1
342	Кофешоп Coffeeshop Company	1
343	Cookhouse	1
344	Healthy food	1
345	The Terrace	1
346	Джардино Да Пино	1
347	Пивко	1
348	Кальянная F-lounge	1
349	Макс Бреннер	1
350	Upside Down	1
351	Travelers Coffe	1
352	Marmalato	1
353	Хачапури, Одесса -мама	1
354	Гудман Гудвин	1

	name	quantity
215	IL Forno	1
216	Кебаб хаус	1
217	Ганс и Марта	1
218	Чайхана Тапчан	1
219	Крепери де Пари	1
220	Пиццерия Пиу дель Чибо	1
221	Братья Караваевых	1
222	Panda Express	1
223	Пражечка	1
224	Кафе КОФЕ ТУН	1
225	Бар Боулинг-Космик	1
226	Бар-буфет Николай	1
227	МясоROOB	1
228	Кулинарное бюро Китчен	1
229	БАР Азбука Вкуса	1
230	Генацвали	1
231	Молли гвинз	1
232	Территория TIMBIGFAMILY	1
233	Кондитерия Тирольские пироги	1
234	Хачапури, Одесса -мама	1
235	Бабай Клаб	1
236	Оникс	1
237	Шашлык-машлык	1
238	Билла	1
239	CoffeeShop	1
240	АВ-Дейли Азбука Вкуса	1
241	Кальян-бар MosKalyan	1
242	Помидор	1
243	HEALTHY Food	1
244	Барбарис	1
245	Movenpick	1
246	Ливан-Хаус	1
247	Милано пицца	1
248	Кулинарное бюро Kitchen	1
249	Торнадо	1
250	Перекресток	1
251	Праймстар	1
252	Гино-но-таки	1
253	Пиппони	1
254	Крепери де пари	1
255	МСК Московская сеть кальянных на Шаболовке	1
256	Пицца Pomodoro и Суши Дзен	1
257	Добрынинский и партнёры	1
258	Сувлаки	1
259	Бургер Клаб	1
260	Кафе Космик	1
261	Американ Сити Пицца	1
262	Семейное кафе Андерсон	1
263	Чешская Пивная Пилзнер	1
264	Простые Вещи	1

	name	quantity
217	Сказка	1
218	Крепери де Пари	1
219	Чайхана Тапчан	1
220	Праймстар	1
221	Кулинарное бюро Kitchen	1
222	Милано пицца	1
223	Кулинарное бюро Китчен	1
224	Перекресток	1
225	Гино-но-таки	1
226	Пиппони	1

	street_name	points
1559	проспект Мира	204
990	Профсоюзная улица	179
681	Ленинградский проспект	170
976	Пресненская набережная	167
405	Варшавское шоссе	161
684	Ленинский проспект	145
1556	проспект Вернадского	130
672	Кутузовский проспект	112
598	Каширское шоссе	111
603	Кировоградская улица	106

Проектная работа «Рынок общественного питания в Москве»¶

1.1 Загружаем данные¶

1.2 Предобработка данных¶

2. Анализ данных¶

2.1 Исследование соотношения видов объектов по количеству¶

2.2 Исследование соотношения сетевых и несетевых заведений¶

2.3 Исследование характерности сетевого распространения по виду объектов¶

2.4. Что характерно для сетевых заведений?¶

2.5 Среднее количество посадочных мест для категорий объектов общепита¶

2.6 Создадим столбец с информацией об улице¶

2.7 Топ-10 улиц и рейтинг округов¶

2.8 Исследование самых непопулярных улиц для заведений общественного питания¶

2.9 Распределение числа посадочных мест для ТОП-10 улиц¶

3. Общий вывод¶

4. Презентация¶

	id	object_name	chain	object_type	address	number
0	151635	СМЕТАНА	нет	кафе	город Москва, улица Егора Абакумова, дом 9	48
1	77874	Родник	нет	кафе	город Москва, улица Талалихина, дом 2/1, корпус 1	35
2	24309	Кафе «Академия»	нет	кафе	город Москва, Абельмановская улица, дом 6	95
3	21894	ПИЦЦЕТОРИЯ	да	кафе	город Москва, Абрамцевская улица, дом 1	40
4	119365	Кафе «Вишневая метель»	нет	кафе	город Москва, Абрамцевская улица, дом 9, корпус 1	50
5	27429	СТОЛ. ПРИ ГОУ СОШ № 1051	нет	столовая	город Москва, Абрамцевская улица, дом 15, корп...	240
6	148815	Брусника	да	кафе	город Москва, переулок Сивцев Вражек, дом 6/2	10
7	20957	Буфет МТУСИ	нет	столовая	город Москва, Авиамоторная улица, дом 8, строе...	90
8	20958	КПФ СЕМЬЯ-1	нет	столовая	город Москва, Авиамоторная улица, дом 8, строе...	150
9	28858	Столовая МТУСИ	нет	столовая	город Москва, Авиамоторная улица, дом 8, строе...	120
10	148595	Пекарня 24	нет	закусочная	город Москва, Авиамоторная улица, дом 47	5
11	23394	Гогиели	нет	кафе	город Москва, Авиамоторная улица, дом 49/1	24
12	28582	ШКОЛА 735	нет	столовая	город Москва, Авиамоторная улица, дом 51	140
13	22579	Алло Пицца	да	кафе	город Москва, улица Авиаторов, дом 14	32
14	23670	Гимназия 1542	нет	столовая	город Москва, улица Авиаторов, дом 16	270
15	23663	Школа 1011	нет	столовая	город Москва, улица Авиаторов, дом 18	320
16	144107	Суши Wok	да	предприятие быстрого обслуживания	город Москва, Азовская улица, дом 3	7
17	154654	Донер Кебаб	нет	предприятие быстрого обслуживания	город Москва, Азовская улица, дом 4	2
18	58565	Тануки	да	ресторан	город Москва, Большая Академическая улица, дом 65	160
19	153644	Американская Лаборатория Десертов	нет	кафе	город Москва, Филипповский переулок, дом 15/5	20
20	21950	Кафе	нет	кафе	город Москва, Алтайская улица, дом 33/7	30
21	84832	КАФЕ УЮТ	нет	кафе	город Москва, Алтуфьевское шоссе, дом 14	110
22	26931	Долина Чайхона	нет	кафе	город Москва, Алтуфьевское шоссе, дом 14	150
23	28751	ГБОУ Школа № 1411 (970)	нет	столовая	город Москва, Алтуфьевское шоссе, дом 42Б	120
24	125608	Кафетерий	нет	кафетерий	город Москва, Алтуфьевское шоссе, дом 56	6
25	81554	Домино'с Пицца	да	кафе	город Москва, Алтуфьевское шоссе, дом 56	24
26	21304	РАХИМКУЛОВА Т.Х.	нет	буфет	город Москва, Алтуфьевское шоссе, дом 102Б	20
27	29223	СТОЛОВАЯ ПРИ ГУП ОБЪЕДИНЕННЫЙ КОМБИНАТ ШКОЛЬНО...	нет	столовая	город Москва, улица Амундсена, дом 10	192
28	27439	ШКОЛА 1444	нет	столовая	город Москва, Анадырский проезд, дом 55	240
29	22767	Мархал	нет	кафе	город Москва, Ангарская улица, дом 1, корпус 2	120

	id	object_name	chain	object_type	address	number
15336	211209	Готовые блюда Милти	True	предприятие быстрого обслуживания	город Москва, Ореховый бульвар, дом 22А	0
15337	208477	Милти	True	предприятие быстрого обслуживания	город Москва, 3-й Крутицкий переулок, дом 18	0
15338	211201	Милти	True	магазин (отдел кулинарии)	город Москва, Новослободская улица, дом 4	0
15339	210446	Мята Lounge	True	кафе	город Москва, Большой Спасоглинищевский переул...	38
15340	218067	Мята lounge	True	кафе	город Москва, улица Крымский Вал, дом 10А, соо...	74
15341	211269	Лаундж-бар «Мята Lounge»	True	бар	город Москва, Днепропетровская улица, дом 2Б	45
15342	210776	Мята Lounge	True	ресторан	город Москва, город Московский, улица Хабарова...	50
15343	211767	Бар Мята Lounge	True	бар	город Москва, Митинская улица, дом 16	5
15344	206756	Мята Lounge Октябрьская	True	кафе	город Москва, Донская улица, дом 11, строение 2	48
15345	205245	Мята Lounge	True	кафе	город Москва, Бутырская улица, дом 67, строение 1	52
15346	208599	Мята Lounge	True	кафе	город Москва, Куликовская улица, дом 1А	30
15347	222491	Кальянная «Мята Lounge»	True	кафе	город Москва, Профсоюзная улица, дом 142, корп...	40
15348	212216	Мята Lounge	True	кафе	город Москва, Привольная улица, дом 11	56
15349	206341	Мята Lounge	True	кафе	город Москва, Салтыковская улица, дом 7Г	100
15350	213061	Мята	True	кафетерий	город Москва, Каширское шоссе, дом 96, корпус 1	35
15351	223036	Якитория	True	ресторан	город Москва, Авиационная улица, дом 66	92
15352	213602	Тануки	True	кафе	город Москва, Привольная улица, дом 65/32	50
15353	213772	Тануки	True	ресторан	город Москва, Осенний бульвар, дом 9	98
15354	210400	Шоколадница	True	кафе	город Москва, Театральный проезд, дом 5, строе...	45
15355	74972	Шоколадница	True	кафе	город Москва, улица Новый Арбат, дом 13	30
15356	220618	Шоколадница	True	кафе	город Москва, Митинская улица, дом 36, корпус 1	100
15357	218692	Шоколадница	True	кафе	город Москва, площадь Джавахарлала Неру, дом 1	30
15358	213724	Шоколадница	True	кафе	город Москва, Варшавское шоссе, дом 87Б	54
15359	222077	Кофейня «Шоколадница»	True	кафе	город Москва, Кантемировская улица, дом 47	72
15360	219759	Шоколадница	True	кафе	город Москва, улица Вавилова, дом 3	36
15361	208537	Шоколадница	True	кафе	город Москва, 3-й Крутицкий переулок, дом 18	50
15362	209264	Шоколадница	True	кафе	город Москва, улица Земляной Вал, дом 33	10
15363	209186	Шоколадница	True	кафе	город Москва, улица Земляной Вал, дом 33	20
15364	221900	Шоколадница	True	кафе	город Москва, поселение Московский, Киевское ш...	36
15365	222535	Шоколадница	True	кафе	город Москва, Ходынский бульвар, дом 4	10

	id	object_name	chain	object_type	address	number
0	151635	Сметана	False	кафе	город Москва, улица Егора Абакумова, дом 9	48
1	77874	Родник	False	кафе	город Москва, улица Талалихина, дом 2/1, корпус 1	35
2	24309	Кафе «Академия»	False	кафе	город Москва, Абельмановская улица, дом 6	95
3	21894	Пиццетория	True	кафе	город Москва, Абрамцевская улица, дом 1	40
4	119365	Кафе «Вишневая метель»	False	кафе	город Москва, Абрамцевская улица, дом 9, корпус 1	50

	chain_and_seat_type	avg_seats
0	крупная сеть, мало мест	17
1	крупная сеть, много мест	93
2	малая сеть, мало мест	17
3	малая сеть, много мест	101

	streetname	areaid	okrug	area
0	Выставочный переулок	17	ЦАО	Пресненский район
1	улица Гашека	17	ЦАО	Пресненский район
2	Большая Никитская улица	17	ЦАО	Пресненский район
3	Глубокий переулок	17	ЦАО	Пресненский район
4	Большой Гнездниковский переулок	17	ЦАО	Пресненский район

	streetname	areaid	okrug	area
4213	1-й Басманный переулок	15	ЦАО	Красносельский район
4056	1-й Добрынинский переулок	21	ЦАО	Район Якиманка
4328	1-й Коптельский переулок	16	ЦАО	Мещанский район
3294	1-й Котляковский переулок	101	ЮАО	Район Москворечье-Сабурово
2417	1-й Медведковский мост	85	СВАО	Район Южное Медведково
...	...	...	...	...
3783	улица Юных Ленинцев	121	ЮВАО	Район Текстильщики
890	шоссе Энтузиастов	32	ВАО	Район Перово
1023	шоссе Энтузиастов	36	ВАО	Район Соколиная Гора
1096	шоссе Энтузиастов	37	ВАО	Район Ивановское
3554	шоссе Энтузиастов	114	ЮВАО	Район Лефортово

	street_name	points
1910	улица Ремизова	1
366	Большой Предтеченский переулок	1
135	2-я Сокольническая улица	1
1995	улица Шумилова	1
1680	улица Гончарова	1
365	Большой Полуярославский переулок	1
1661	улица Гамалеи	1
1909	улица Ращупкина	1
1670	улица Генерала Ермолова	1
92	2-й Кадашёвский переулок	1
130	2-я Прядильная улица	1
372	Большой Строченовский переулок	1
1925	улица Савельева	1
64	1-я Пугачёвская улица	1
377	Большой Трёхсвятительский переулок	1
1918	улица Рокотова	1
1919	улица Рословка	1
369	Большой Симоновский переулок	1
382	Боровая улица	1
1915	улица Рогожский Посёлок	1
391	Брошевский переулок	1
137	2-я Филёвская улица	1
1658	улица Высоцкого	1
1913	улица Рогова	1
383	Боровский проезд	1
395	Будайский проезд	1
390	Бродников переулок	1
386	Ботанический переулок	1
1996	улица Шумкина	1
91	2-й Кабельный проезд	1

	street_name	points	region
0	улица Ремизова	1	ЮЗАО
1	Большой Предтеченский переулок	1	ЦАО
2	2-я Сокольническая улица	1	ВАО
3	улица Шумилова	1	ЮВАО
4	улица Гончарова	1	СВАО
5	Большой Полуярославский переулок	1	ЦАО
7	улица Гамалеи	1	СЗАО
8	улица Ращупкина	1	ЗАО
9	улица Генерала Ермолова	1	ЗАО
10	2-й Кадашёвский переулок	1	ЦАО
11	2-я Прядильная улица	1	ВАО
12	Большой Строченовский переулок	1	ЦАО
13	улица Савельева	1	ЦАО
14	1-я Пугачёвская улица	1	ВАО
15	Большой Трёхсвятительский переулок	1	ЦАО
16	улица Рокотова	1	ЮЗАО
17	улица Рословка	1	СЗАО
18	Большой Симоновский переулок	1	ЦАО
19	Боровая улица	1	ЮВАО
20	улица Рогожский Посёлок	1	ЮВАО
21	Брошевский переулок	1	ЦАО
22	2-я Филёвская улица	1	ЗАО
23	улица Рогова	1	СЗАО
24	Боровский проезд	1	ЗАО
25	Будайский проезд	1	СВАО
26	Бродников переулок	1	ЦАО
27	Ботанический переулок	1	ЦАО
28	улица Шумкина	1	ВАО
29	2-й Кабельный проезд	1	ЮВАО

	id	object_name	chain	object_type	address	number	capacity_type	street_name
151	155973	Кафе «Андерсон»	True	кафе	город Москва, Варшавское шоссе, дом 2	150	много мест	Варшавское шоссе
152	23618	Subway	True	кафе	город Москва, Варшавское шоссе, дом 7, корпус 1	36	мало мест	Варшавское шоссе
153	155852	Кафе «Ламаджо»	False	кафе	город Москва, Варшавское шоссе, дом 29	30	мало мест	Варшавское шоссе
154	152556	Шаурма в пите	False	предприятие быстрого обслуживания	город Москва, Варшавское шоссе, дом 72, корпус 2	0	мало мест	Варшавское шоссе
155	120658	Выпечка	False	кафетерий	город Москва, Варшавское шоссе, дом 100	2	мало мест	Варшавское шоссе